DIKA, Driftstörningar i kommunala avloppsreningsverk - en studie av ...

18Målet med veckomätningarna var att ta fram analysmetoder som beskrev de olika processtörningarnaoch att försöka finna orsakerna till de uppkomna problemen. Resultatetav mätningarna finns redovisade i kapitlet 4.2.3.4.1.7. Mätningar under intensivprovtagningarFörutom de veckovisa provtagningarna utfördes intensivstudier vid de olika verken. Avsiktenvar främst att se variationerna i belastning och α-värde under dygnet. Vid dessatillfällen togs också prover varannan timme för analys av fettsyror och tensider i olikapositioner i verken. Detta gav möjlighet att söka samband mellan α-värde och olikakemiska och fysikaliska variabler i vattnet.4.1.8. Tillsats av tensid i full skalaVid den andra intensivprovtagningen i Karlstad, i mars 1998, gjordes under några timmaren extra tillsats av tensid till det försedimenterade vattnet. Avsikten var att ytterligarestudera sambandet mellan tensidkoncentration och α-värde. Tillsatsen av tensid(fettalkoholetoxylat av liknande typ som användes i pilotförsök) motsvarade ca 0,5 mg/lräknat som alkoholetoxylater.4.1.9. Kort och förenklad beskrivning av multivariata metoderEn stor del av resultatutvärderingen har gjorts med multivariata metoder. Anledningentill att metoderna tillämpats vid utvärderingen är att antalet parametrar som mäts för attbeskriva processvariationerna och de olika störningarna är många till antalet. Med traditionellstatistisk utvärdering finns det stor risk att en del information går förlorad då antaletparametrar är många och datamaterialet mycket omfattande. En viktig del i det härprojektet har därför varit att visa på möjligheterna att tillämpa dessa metoder för utvärderingav de omfattande mängder processdata som genereras vid uppföljningen av driftenpå ett kommunalt avloppsreningsverk, både on-line och off-line. Nedan följer enförenklad beskrivning av de multivariata metoderna.Antag att ett system beskrivs av tre variabler X 1 , X 2 och X 3 som var och en beskriver enriktning i en rymd. Varje observation representeras av en position i den tredimensionellarymden, se figur 3. Många observationer resulterar i en punktsvärm. Punktsvärmenapproximeras till en vektor med minsta kvadratmetoden, se figur 3. Vektorn kallas förden första principalkomponenten och beskriver den största oberoende variationsriktningenhos observationerna. Ytterligare en vektor beräknas vilken beskriver den näststörsta oberoende variationen hos observationerna, se figur 4.